基于改进FOA算法优化WKELM的医疗滚动轴承故障诊断技术研究

针对传统小波核极限学习机（Extreme Learning Machine-ELM）应用于医疗滚动轴承故障诊断中识别精度不高且训练速度慢的一系列问题的出现,并针对性的想出一种更好的对滚动转轴发生的故障进行识别的办法,通过对小波核极限学习机算法进行改进的方法。该方法运用改进果蝇算法（LGMS-Fruit-flying Optimization Algorithm, LGMS-FOA）优化小波核极限学习机中的正则化系数和小波核函数中的参数。采用的方法是变分模态分解（Variational Mode Decomposition-VMD）,通过这种方法能够对滚动轴承的故障信号分解为含有故障信息的各模态分量从而提取到故障特征。通过与其他三种算法的实验结果对比证明,基于LGMS-FOA-WKELM的滚动轴承故障诊断方法的识别精度更高且训练时间更短。     

基于数据均衡化与改进鲸鱼算法优化核极限学习机的变压器故障诊断方法

针对不平衡数据对变压器故障诊断模型辨识精度的影响，提出一种基于自适应综合过采样(ADAptive SYNthetic, ADASYN)与改进鲸鱼算法优化核极限学习机的变压器故障诊断模型。首先，利用ADASYN算法优化变压器故障数据均衡化处理，解决变压器故障数据集类间不平衡给模型带来的偏倚问题。其次，通过多策略组合改进了鲸鱼优化算法(improved whale optimization algorithm, IWOA)的搜索速度、收敛能力和局部极值的逃逸能力。最后，改进鲸鱼算法对核极限学习机(kernel based extreme learning machine, KELM)正则化系数和核函数参数寻优，构建改进鲸鱼算法优化核极限学习机(IWOA-KELM)故障诊断模型。将模型应用于变压器故障诊断领域，用该模型与粒子群算法核极限学习机模型(PSO-KELM)、灰狼算法优化核极限学习机模型(GWO-KELM)和鲸鱼算法核极限学习机模型(WOA-KELM)的诊断精度对比，分别提升14.17%、 12.5%和8.34%,这证明了所提故障诊断模型具有更高的精度和泛化能力。     

基于极限学习机的船舶柴油机故障诊断

针对传统深度核极限学习机网络仅利用端层特征进行分类导致特征不全面，以及故障诊断分类器中核函数选择不恰当等问题，提出基于多层特征表达和多核极限学习机的船舶柴油机故障诊断方法。利用深度极限学习机网络提取故障数据的多层特征；将提取出的各层特征级联为一个具有多属性特征的故障数据特征向量；使用多核极限学习机分类器准确地实现柴油机的故障诊断。在标准分类数据集和船舶柴油机仿真故障数据集上的实验结果表明，与其他极限学习机算法相比，该方法能够有效提高故障诊断的准确率和稳定性，且具有较好的泛化性能，是柴油机故障诊断一个更为优秀实用的工具。     

蝙蝠算法优化极限学习机的滚动轴承故障分类

针对传统智能故障诊断方法在滚动轴承的故障诊断中诊断准确率不高的问题,引入了一种启发式搜索算法——蝙蝠算法(BA)优化极限学习机(ELM)的方法,利用ELM构建滚动轴承故障诊断分类模型。首先采用滚动轴承振动信号的五种代表性时域无量纲指标作为诊断模型输入特征,然后,利用蝙蝠算法的全局寻优能力对ELM模型的参数进行优化,获取最优输入权重和隐含层偏置的ELM分类模型,最后采用美国西储大学轴承数据中心网站公开发布的轴承探伤数据集验证算法诊断效果。实验结果表明：该方法可以有效地对滚动轴承不同故障状态进行识别,与BP神经网络、支持向量机(SVM)和极限学习机(ELM)方法比较,所提出的方法能够提高故障诊断准确率,达到99.17%。     

进化贝叶斯优化的核极限学习机分类器

为解决传统核极限学习机算法参数优化困难的问题,提高分类准确度,提出一种改进贝叶斯优化的核极限学习机算法.用樽海鞘群设计贝叶斯优化框架中获取函数的下置信界策略,提高算法的局部搜索能力和寻优能力;用这种改进的贝叶斯优化算法对核极限学习机的参数进行寻优,用最优参数构造核极限学习机分类器.在UCI真实数据集上进行仿真实验,实验...     

遗传优化核极限学习机的数据分类算法

为了提高核极限学习机(KELM)数据分类的精度,提出了一种结合K折交叉验证(K-CV)与遗传算法(GA)的KELM分类器参数优化方法(GA-KELM),将CV训练所得多个模型的平均精度作为GA的适应度评价函数,为KELM的参数优化提供评价标准,用获得GA优化最优参数的KELM算法进行数据分类.利用UCI中数据集进行仿真,实验结果表明:所提方法在整体性能上优于GA结合支持向量机法(GA-SVM)和GA结合反向传播(GA-BP)算法,具有更高的分类精度.     

基于极限学习机的锂电池健康状态预测

使用传统的物理化学方法来预测锂电池的健康状态效率低下且精度不高。为此,本文提出使用极限学习机来对蓄电池的健康状态进行预测。首先对提取出的特征数据集进行归一化预处理;然后,在训练集上使用网格搜索技术优化极限学习机的模型参数。在测试集上和其他方法的对比实验结果表明:基于极限学习机的锂电池健康状态预测方法性能优秀,有着实际应用的前景。     

改进粒子群优化的极限学习机软测量建模方法

工业过程常含有显著的非线性、时变等复杂特性,传统的极限学习机有时无法充分利用数据信息,所建软测量模型预测性能较差。为了提高极限学习机的泛化能力和预测精度,提出一种改进粒子群优化的极限学习机软测量建模方法。首先,利用高斯函数正态分布的特点实现惯性权重的自适应更新,并线性变化学习因子以提高粒子群优化算法的收敛速度和搜索性能;然后将该算法用于优化极限学习机的惩罚系数和核宽,得到一组最优超参数;最后将该方法应用于脱丁烷塔过程软测量建模中。仿真结果表明,优化后的极限学习机模型预测精度有明显的提高,验证了所提方法不仅是可行的,而且具有良好的预测精度和泛化性能。     

基于深度极限学习机的模拟电路故障诊断

针对模拟电路故障诊断中特征提取以及模型训练时间较长的难题,采用了一种基于深度极限学习机的模拟电路故障诊断算法。该算法将深度学习中自编码器的思想引入到极限学习机中,构建深度网络,将底层的故障特征转换更加抽象的高级特征,能自主地学习数据特征,避免了繁琐的特征提取和选择。最终通过Sallen-Key和四运放双二次高通滤波2个模拟电路进行仿真研究,实验结果验证了算法在模拟电路故障诊断上的可行性,也表明模型学习速度快、泛化能力好,具有较强的诊断能力,故障诊断分类准确率可以达到100%,诊断时间在0.3 s左右。     

基于优化核极限学习机的新能源配电网继电保护故障检测技术

随着分布式新能源接入电网容量的不断增加,配电网潮流分布更加复杂,传统的故障检测方法无法满足现有新能源配电网的需求,进一步降低了继电保护装置的可靠性、灵敏性。针对该问题,本文提出了一种基于优化核极限学习机的新能源配电网继电保护故障检测方法。首先,通过小波包变换特征提取配电网三相电流形成时频能量谱;然后,利用鲸鱼优化算法寻优速度快、收敛精度高的优点,优化核极限学习机参数,构建基于鲸鱼优化核极限学习机的新能源配电网继电保护故障检测模型,以准确获取新能源配电网的故障位置、类型、相序;最后,搭建IEEE33节点的新能源配电网模型并进行仿真验证。结果表明,该方法对不同故障位置、类型、相序均具有较高精度,提升了新能源配电网继电保护的故障检测水平。     

A deep feature enhanced reinforcement learning method for rolling bearing fault diagnosis

Fault diagnosis of rolling bearing is crucial for safety of large rotating machinery. However, in practical engineering, the fault modes of rolling bearings are usually compound faults and contain a large amount of noise, which increases the difficulty of fault diagnosis. Therefore, a deep feature enhanced reinforcement learning method is proposed for the fault diagnosis of rolling bearing. Firstly, to improve robustness, the neural network is modified by the Elu activation function. Secondly, attention model is used to improve the feature enhanced ability and acquire essential global information. Finally, deep Q network is established to accurately diagnosis the fault modes. Sufficient experiments are conducted on the rolling bearing dataset. Test result shows that the proposed method is superior to other intelligent diagnosis methods.     

改进CNN-LSTM模型在滚动轴承故障诊断中的应用

滚动轴承的运行状态对整机工作状态影响重大,但目前其故障诊断方法存在依赖手工特征提取、鲁棒性不高等问题.因此,本文提出了一种基于改进的一维卷积神经网络(1D-CNN)和长短期记忆网络(LSTM)集成的滚动轴承故障诊断方法 (1D-CNN-LSTM).首先,利用改进的1D-CNN-LSTM模型对滚动轴承6种不同的工作状态进行了分类识别实验,实验结果表明提出的分类模型能够以较快的速度识别出滚动轴承的不同状态,平均识别准确率达99.83%;其次,将提出的模型与部分传统算法模型进行对比实验,结果表明所提方法在测试精度方面有较大优势;最后,引入迁移学习测试模型的鲁棒性和泛化能力,实验结果表明提出的改进模型在不同工况下有较好的适应性和高效性,模型有较强的泛化能力,具备工程应用的可行性.     

一种滚动轴承故障诊断方法

针对基于支持向量机的滚动轴承故障诊断方法中支持向量机的参数优化问题,提出一种改进的果蝇优化算法,即以模式分类准确率作为果蝇味道浓度函数,并采用该算法来优化支持向量机模型的惩罚因子和核函数参数;基于改进果蝇优化算法和支持向量机对滚动轴承的故障模式进行分类诊断,结果表明改进的果蝇优化算法具有较高的收敛速度和寻优效率,基于该算法和支持向量机的滚动轴承故障诊断方法具有较高的分类准确率。     

基于深度小波去噪自动编码器的轴承智能故障诊断方法

针对原始振动数据无监督特征学习问题,提出一种深度小波去噪自动编码器与鲁棒极限学习机相结合的滚动轴承的智能故障诊断方法.利用小波函数作为非线性激活函数设计小波去噪自动编码器,从而有效地捕获信号特征;利用多个小波去噪自动编码器构造一个深度小波去噪自动编码器来增强无监督特征学习能力;采用鲁棒极限学习机作为分类器,对不同的轴承...     

Transfer reinforcement learning method with multi-label learning for compound fault recognition

In complex working site, bearings used as the important part of machine, could simultaneously have faults on several positions. Consequently, multi-label learning approach considering fully the correlation between different faulted positions of bearings becomes the popular learning pattern. Deep reinforcement learning (DRL) combining the perception ability of deep learning and the decision-making ability of reinforcement learning, could be adapted to the compound fault diagnosis while having a strong ability extracting the fault feature from the raw data. However, DRL is difficult to converge and easily falls into the unstable training problem. Therefore, this paper integrates the feature extraction ability of DRL and the knowledge transfer ability of transfer learning (TL), and proposes the multi-label transfer reinforcement learning (ML-TRL). In detail, the proposed method utilizes the improved trust region policy optimization (TRPO) as the basic DRL framework and pre-trains the fixed convolutional networks of ML-TRL using the multi-label convolutional neural network method. In compound fault experiment, the final results demonstrate powerfully that the proposed method could have the higher accuracy than other multi-label learning methods. Hence, the proposed method is a remarkable alternative when recognizing the compound fault of bearings.     

基于IMF能量矩和Bayes-LSSVM的滚动轴承诊断

针对传统方法对滚动轴承故障特征提取效果尚有局限和最小二乘支持向量机分类器的参数不易确定,从而降低了故障诊断的准确性的问题,提出基于本征模函数能量矩和贝叶斯框架下的最小二乘支持向量机实现滚动轴承的故障诊断。在该方法中,通过经验模态分解将原始信号分解为多个本征模函数,之后将本征模函数作时间轴的积分,得到本征模函数能量矩特征故障向量。采用贝叶斯推理方法进行三级分层推断,解决最小二乘支持向量机分类器的参数具有任意性和不确定性的问题,实现参数优化。对滚动轴承的仿真结果表明,该方法能对故障进行有效、准确的诊断,诊断正确率达到98.75%。     

基于卷积神经网络的滚动轴承故障诊断方法

为了简单、准确地进行轴承故障诊断,结合深度学习理论,对基于卷积神经网络的滚动轴承故障诊断方法进行了研究;首先,选用了结构相对简单的LeNet5卷积神经网络;然后,对轴承振动信号原始数据进行截取和归一化处理后直接生成生成二维矩阵作为神经网络输入;接着,优选卷积核大小、批大小、学习率及迭代次数等网络模型参数;最后,应用sigmoid函数进行多标签分类;实验结果表明,该方法能有效识别正常状态及不同损伤程度下的内圈、外圈、滚动体故障状态,识别准确率达到99.50%以上水平;基于卷积神经网络的滚动轴承故障诊断方法不仅在一定程度上可以简化故障诊断的过程,而且可以充分利用卷积神经网络模型的优势实现高效准确地故障诊断。     

基于混沌粒子群优化核极限学习机的变压器故障诊断方法

为提高电力变压器故障诊断的准确度,提出一种基于核极限学习机(KELM)的变压器故障诊断方法,利用混沌优化改善粒子群算法的全局寻优性能。该方法首先用KELM建立故障诊断模型,再利用改进后的混沌粒子群算法(CPSO)对KELM的参数进行优化。结合油中溶解气体分析法(DGA)获得样本数据,通过实例仿真结果对比分析表明,所用算法具有更高的诊断准确率,提高了变压器故障诊断的可靠性。